GPT-6.1 Terra 把 API 单价压到 GPT-6 Astra 的十分之一，定位不是最强旗舰，而是高频调用的打工模型。当企业开始按一个任务花多少 Token、重试几次来算账，模型选型该怎么做？

OpenAI 又把模型价格往下压了一档。GPT-6.1 Terra 的定位不是最新旗舰，而是一款面向高频工作场景的“打工模型”：更快响应、更强视觉理解和电脑操作能力，同时把 API 单价降到 GPT-6 Astra 的十分之一。

从模型产品线看，Terra 位于更高性能的 Sol 与旗舰 Astra 之间；从 Agent 工程看，它瞄准的是大量重复调用、需要持续执行、但不一定每次都需要顶级推理深度的任务。企业真正关心的也不再只是最高分，而是完成一项任务需要花多少 Token、多少时间、多少次重试，以及能不能稳定跑完。

先看定位：不是最强，而是更适合高频调用

GPT-6.1 Terra 相比 GPT-5.6 Terra 的标准 API 价格下降 50%，与 GPT-6 Astra 相比，输入和输出 Token 价格约为后者的十分之一。它的目标是让更多团队可以把 AI Agent 从少数高价值任务扩展到日常工作流。

模型选择可以按任务分层：

这是一种更接近生产的模型组合方式：不把所有请求都交给最贵模型，也不为了便宜牺牲整个任务的成功率。

视觉理解和电脑操作，决定 Agent 能不能接手工作

GPT-6.1 Terra 强化了从技术图纸、表格和文档中读取信息，并操作桌面软件、填写表格和编辑视频等能力。对于 Agent 来说，视觉理解不是单独看图，而是要把屏幕状态转化为下一步可执行动作。

官方信息显示，在 Agents’ Last Exam 测试中，中等推理强度下 Terra 比上一代提高约 15 个百分点，单次任务成本约降至三分之一；在相同测试中，它的成绩接近 GPT-6 Astra。

这类结果的工程意义在于，模型能够承担“看懂当前状态、选择操作、继续执行”的循环。但真正上线时还要验证弹窗、登录态、页面变化、权限提示和错误恢复。视觉模型看到了按钮，不代表它理解点击按钮会产生什么业务副作用。

事实准确率：低推理档位也要能交付

在 OpenAI 内部设计的高难度事实准确率测试中，GPT-5.6 Terra 在低推理强度下的错误率为 53.6%，GPT-6.1 Terra 降至 16.7%，下降 36.9 个百分点；推理强度提高后，错误率进一步降到 4.3%。

这些数字说明模型在不同推理预算下的稳定性有所改善，但不应直接当作日常使用中的总体准确率。测试样本、问题类型、检索条件和答案判定方式都会影响结果。

对企业 Agent 来说，更重要的是让准确率可审计：

• 每个事实保留来源和读取时间；
• 计算类任务输出公式、单位和中间值；
• 不确定时标记“待确认”，不要强行补全；
• 高风险结论进入人工审批或二次模型复核；
• 记录模型版本、提示词、工具调用和最终修改。

Terminal-Bench：编程能力真正进入工作流预算

在 Terminal-Bench 4.0 中，GPT-6.1 Terra 最高推理强度下的任务解决率为 50.3%，上一代 GPT-5.6 Terra 的公开成绩为 21.5%。这类测试不是单纯生成代码，而是让 Agent 在命令行环境中理解任务、修改文件、运行测试并交付结果。

在 Terminal-Bench-Science 0.1 中，Terra 甚至超过定位更高的 GPT-6.1 Sol；该测试包含用代码分析延时摄影视频中的细胞分裂等科学研究任务。官方还表示，Terra 的得分距离 Claude Opus 5.5 不足 5 个百分点，但估算成本低于后者的五分之一。

这意味着 Terra 适合进入高频代码 Agent 工作流，但仍然要设置执行边界：工作区限定、命令白名单、网络权限、最大工具轮数、测试门禁和失败回滚。模型更便宜，不代表可以放开所有权限；相反，调用量越大，权限和观测越要精细。

API 定价：每百万 Token 输入 1 美元

GPT-6.1 Terra 标准 API 定价为：

• 输入：每百万 Token 1 美元；
• 缓存输入：每百万 Token 0.05 美元；
• 输出：每百万 Token 5 美元。

与 GPT-5.6 Terra 和 GPT-6.1 Sol 相比，标准价格降低 50%；与 GPT-6 Astra 相比，输入和输出价格约为十分之一。

API 单价还不是最终账单。Agent 任务的真实成本取决于输入是否命中缓存、上下文是否重复、工具调用多少轮、失败后重试几次，以及任务是否需要升级到更高推理强度。

可以用下面的公式做粗略估算：

总成本 = 输入 Token × 输入单价

+ 缓存输入 Token × 缓存单价

+ 输出 Token × 输出单价

+ 工具调用与重试产生的额外消耗

任务预算应按业务类型设置，而不是只设置一个全局额度。代码批处理、网页自动化和研究报告的 Token 曲线完全不同。

现在可以在哪里使用

GPT-6.1 Terra 已面向 ChatGPT Plus、Pro、Enterprise 和 Edu 用户开放，也可以在 ChatGPT Work 和 Codex 中使用。开发者可通过 API 使用 gpt-6.1-terra。

安全方面，OpenAI 将该模型列入 Preparedness Framework 的 Critical 风险等级，并沿用 GPT-6 Astra 等模型的安全防护措施。模型也继承了 GPT-6 系列的对齐改进，用于遵守授权范围、说明能力边界和抵御提示词注入。

这不意味着模型可以直接进入生产环境。团队仍应在自己的工具网关中实现密钥隔离、数据脱敏、权限最小化、调用审计和高风险操作确认。国内团队若需要将 Claude Code 等工具接入兼容 API，可通过 Code80 配置 endpoint，API 密钥和生产权限仍由项目侧掌握。

它会不会取代旗舰模型

不会。Terra 的优势是性能与价格的平衡，适合高频、可规模化、需要一定 Agent 执行能力的工作；Sol 和 Astra 在最复杂的软件工程、深度研究和高难度推理任务上仍有价值。

更现实的架构是模型路由：先用 Terra 处理大部分普通任务，遇到高风险、长程或多次失败的任务再升级到旗舰模型；任务完成后，把成功率、成本、耗时和人工返工记录下来，持续调整路由规则。

原始图表与案例图

常见问题

GPT-6.1 Terra 是最强模型吗？

不是。它是更强调速度、价格和高频 Agent 场景的模型，最复杂任务仍可能需要 GPT-6.1 Sol 或 GPT-6 Astra。

为什么模型价格降低后，Agent 账单仍可能很高？

Agent 会重复读取上下文、调用工具、重试失败步骤并产生较长输出。实际费用取决于完整执行轨迹，而不是只看单次输入单价。

Terra 适合直接运行代码和命令吗？

适合在受控环境中运行。必须限制工作区、命令、网络、凭据和工具轮数，并要求测试结果、Diff 和回滚信息。

如何减少 Terra 的 Token 成本？

启用缓存、稳定系统提示前缀、减少重复上下文、按需加载工具定义、限制无效重试，并将低复杂度任务与高推理任务分流。

企业接入时最重要的安全措施是什么？

优先做好密钥隔离、数据脱敏、最小权限、审计日志和高风险动作审批。模型价格下降后，调用规模会扩大，安全控制不能同步变松。